论文部分内容阅读
[摘 要] 为使储备物资能够最大化使用，避免储备不足、储备过多或重复储备，提出利用多目标PSO优化算法来对历史物资的储备情况进行分析，充分考虑业扩新装、应急抢修、日常抢修工作的物资储备需求，生成电力物资保障及调配多目标优化方案，以提高供电企业电力物资供电保障能力，确保电力生产的安全可靠。并在确保电力物资储备满足业扩新装、应急抢修、日常抢修工作需要的同时，减少物资资金占用率，使电力物资储备库存分配更加合理。
[关键词] 多目标协调 电力物资储备 PSO算法
中图分类号：TM73 文献标志码：A
随着国民经济的高速发展，电力建设得到了长足的发展。目前供电企业建立一套完善的电力物资储备体系，物资储备达到了一定规模，储备物资年周转率达到460%，物资储备库储备了业扩新装、应急抢修、日常抢修工作需要的工器具、材料、设备等多种物资。但在电力物资保供电工作中，以往的储备物资已不能满足目前电网实际的物资保供电要求，特别是对于应急和业扩报装项目的时限要求，需进一步优化电力物资储备种类和数量，健全快速、灵活、有效的电力物资调配机制。如提高储备管理信息化水平，建立电力物资协调联动调拨机制，夯实电力物资储备基础，提升物资保障能力。因此，有必要进行基于多目标协调优化的电力物资保障及调配研究，而通过多目标粒子群优化算法来实现电力物资保障及调配中的多目标优化，就可以更合理地分配储备库存，减少资金占用，提高电力物资供应保障能力，确保电力生产的安全可靠。
一、电力物资储备特点
一个电力企业物资的储存量是相当庞大的，而且电力企业的生产又具有很强的社会供应性，容易受到外部因素影响，所以其存储周期相对漫长，几个月到几十个月都有。存储量大，采购周期长，因为电力行业的特殊性，所以在生产方面技术更新较为频繁，电力物资的仓储管理工作尤为繁重，对管理人员也有着很大的考验。对于一个电力企业来说，电力物资仓储管理的改进和提升有着长远的意义。基于以上特点考虑，电力物资在仓储上必须向着更合理，更高效，更科学的方向迈进，提高利库效率，进行合理有效的资源配置，从而降低企业运转成本。
应急抢修是为了保证企事业单位或者个人减少因停电带来的损失而实行的供电行为。当发生应急抢修事件或业扩新装等业务需求时，物资需求非常的紧迫，而且需求的种类和数量庞大，不可能随购随用。为确保电力物资储备能够满足业扩新装、应急抢修、日常抢修等多项工作同时开展的需要，有必要运用多目标优化算法，来对电力物资储备进行进一步的优化。
二、多目标优化问题
在实际工作中，对一个方案的好与壞的界定很难通过一个事例或指标既能就对其定类，唯有对对多个指标采取科学的比较方法后，在一般情况下，这些指标是不甚协调甚至可以说是矛盾的，因此在现有给定条件下同时要求多个目标皆尽可能的好，多目标优化问题即为之订立一个可行的方案。通常在对新产品进行设计的过程中，设计者不仅要将产品设计具备有优质的性能，且需要考虑将成本控制至最低，将利益最大化，通常上述设计目标的改善会相互抵触，例如好的维修性会降低可靠性。各种实际问题中大量存在着多目标优化问题在，因此多目标优化比单目标优化相比更为重要.对多目标优化问题寻求单一最优解是一种不实际的办法，通常多目标优化是产生一组可选的折衷解，首先进行决策，从而在可选解集中做出最佳选择。多目标优化问题具有多个目标函数，各个目标涉及相同的一组决策变量，并相互制约，对其中一个目标进行优化时，必须同时以其它目标作为代价，因此很难客观地评价多目标问题解的优劣。一般情况下，多目标优化问题不存在唯一的全局最优解，所以实际上的多目标优化是如何寻求 Pareto解集的过程，而Pareto解集中的元素就所有目标而言是彼此不可比较的，因此不能简单地把多个目标归并为单目标求解。一个理想的多目标优化问题的解决过程可以描述成如图1所示，该过程以最小化为例，其中stepl是寻找折衷解的过程，step2是决策过程，higher-level information 通常是由待解决问题的要求或者决策者的偏好提供的，这些信息将帮助决策者从折衷解集中最后确定一个解。
因为过去使用的算法皆是先对多目标问题采取分析处理的方法，通过处理将多目标问题分解成单目标问题，然后再通过单目标优化算法进行求解。以往所使用的传统的多目标算法的缺点是一次优化求解只能求出一个解，随着科学技术的不断提高及优化研究的深入，现如今在进行研究的过程中在优化问题时呈现出许多复杂度非常高，这些问题又携带着各种各样的因素，因此很难对优化问题的模型进行描述，所以导致了自变量维数的过多，从而促使科研人员计算量的大幅度增加。随着计算机技术的成熟，生命科学与工程科学相互交叉渗透和影响，为人工智能的发展提供了理论基础。进化计算主要是通过对生物进化过程与机制进行模拟从而解答问题，进化计算不仅为解决复杂的多目标优化问题提供了高效的计算方法，且提供了新的思路，在现如今社会受到了十分高关注度。这些年来所出现的人工神经网络、模糊逻辑以及进化计算即为模拟生物个体的某些特征而发展而来的智能算法。因为进化计算技术采用基于种群的方式组织搜索，这些算法具有高度并行性。由于上述方法通过模拟生物的进化过程或社会行为使待处理问题能够得到十分妥当的解决，所以进化计算适合于求解多目标优化问题。
群体智能是进化计算的一个研究方向，其主要是通过将社会性动物的群体行为和人工生命理论作为基础，研究不同种类群体行为的内在原理，并以这些原理为基础设计出新的问题求解方法。粒子群算法（particle swarm optimization， PS0） 已在很多优化问题上得到成功应用。在进行PSO算法时，其收敛速度快，算法简单控制参数少，并且不需要被优化函数具有可微、可导、连续等性质，综上所述，由于其具有上述优点，因此PSO算法将更普及地被使用于多目标优化问题求解上。根据方法论对PSO算法进行分析，PSO源于人工生命理论以及鸟类和鱼类的群体行为。同其它进化算法一样，PSO算法也以随机初始化种群为初始迭代点，选取已定义好的适应度准则来对系统进行评价，且依据适应度开展随机搜索。 三、PSO算法及改进
（一）PSO算法原理
作为一种基于种群操作的优化技术，PSO算法将群体中的每个个体看作D维搜索空中一个没有体积和重量的粒子，即代表一个可能的候选解，粒子在搜索空间中以一定的速度飞行，其飞行所经历过的最好位置就是该粒子本身所找到的最好解，粒子的飞行速度由该粒子的飞行经验和群体的飞行经验进行动态调整，逐代搜索最后得到最优解。
改进方法包含以下两种：惯性权值PSO算法和具有压缩因子的PSO算法。惯性权值PSO算法的w值能够随迭代数进行动态调整，其可以获得比固定值更好的搜索效果。因此惯性权值PSO算法能够以相对较少的迭代次数找到最优解，提高算法效率。具有压缩因子的PSO算法对一些函数可以达到比较好的收敛速度。
四、物资保障及调配多目标PSO优化
（一）多目标PSO优化算法
在单目标优化问题中，最优解通常是唯一确定的。但是在多目标优化问题中，由于目标函数之间的特性，因此函数没有有唯一确定的解，通常多目标优化问题的最优解是一个折衷解的集合，即具有多个Pareto最优解的集合。PSO算法在单目标优化问题中的成功应用说明PSO算法的有效性，但不能直接将PSO算法用于多目标优化问题。多目标粒子群优化（multiobjective particle swarm optimization， MOPSO） 算法与求解单目标PSO算法相比，其区别就是如何确定全局最优解，即为上述公式中的 Pgd。通过对PSO算法的介绍中可以得知，粒子主要依靠个体信息和社会信息的共享对搜索空间中位置和速度进行动态调整，但是由于目标个数会不断地增加，从而导致了非劣解的数量也大量增加，因此需要在众多非劣解中确定Pgd 成为多目标粒子群优化算法实现的关键，通常采用基于密度测量的方法来确定全局最优解。基于Pareto 方法的多目标粒子群算法是目前研究多目标粒子群的主流算法，该方法的核心是利用Pareto支配的概念选择最优个体。电力物资保障及调配采用的算法流程如下：
電力物资保障及调配多目标优化方案，主要基于电力物资储配多目标PSO优化算法产生，其输入数据来源于电力物资储备历史数据、需求类别、灾害类别、应急程度和业扩新装、应急抢修、日常抢修工作需要的物资需求清单。其输出方案可提高电力物资供应保障能力，确保电力生产的安全可靠。
五、结语
本文基于电力物资储备现状，在保证物资保障有效度水平下，针对供电企业开展业扩新装、应急抢修、日常抢修工作的物资需求，结合供电企业电力物资储备历史数据、需求类别、灾害类别和应急程度等信息，通过多目标PSO优化算法，生成电力物资保障及调配多目标优化方案，以确保供电企业日常生产活动的物资保障，并确保发生突发事件时，应急抢修的物资保障。该方案将减少物资储备的资金占用，合理分配储备库存，提高电力物资供应保障能力，确保电力生产的安全可靠。
参考文献：
[1]吴萍，陈文斌，张延奇.电网物资管理标准化建设项目评价研究.低碳世界，2016（28）
[2]王之发.电力企业应急物资管理的研究.物流工程与管理，2012（8）.
[3]王宇嘉.多目标粒子群优化算法的全局搜索策略研究.上海交通大学，2008.
[4]刘利民，王敏杰.我国应急物资储备优化问题初探.物流科技， 2009（2）
[关键词] 多目标协调 电力物资储备 PSO算法
中图分类号：TM73 文献标志码：A
随着国民经济的高速发展，电力建设得到了长足的发展。目前供电企业建立一套完善的电力物资储备体系，物资储备达到了一定规模，储备物资年周转率达到460%，物资储备库储备了业扩新装、应急抢修、日常抢修工作需要的工器具、材料、设备等多种物资。但在电力物资保供电工作中，以往的储备物资已不能满足目前电网实际的物资保供电要求，特别是对于应急和业扩报装项目的时限要求，需进一步优化电力物资储备种类和数量，健全快速、灵活、有效的电力物资调配机制。如提高储备管理信息化水平，建立电力物资协调联动调拨机制，夯实电力物资储备基础，提升物资保障能力。因此，有必要进行基于多目标协调优化的电力物资保障及调配研究，而通过多目标粒子群优化算法来实现电力物资保障及调配中的多目标优化，就可以更合理地分配储备库存，减少资金占用，提高电力物资供应保障能力，确保电力生产的安全可靠。
一、电力物资储备特点
一个电力企业物资的储存量是相当庞大的，而且电力企业的生产又具有很强的社会供应性，容易受到外部因素影响，所以其存储周期相对漫长，几个月到几十个月都有。存储量大，采购周期长，因为电力行业的特殊性，所以在生产方面技术更新较为频繁，电力物资的仓储管理工作尤为繁重，对管理人员也有着很大的考验。对于一个电力企业来说，电力物资仓储管理的改进和提升有着长远的意义。基于以上特点考虑，电力物资在仓储上必须向着更合理，更高效，更科学的方向迈进，提高利库效率，进行合理有效的资源配置，从而降低企业运转成本。
应急抢修是为了保证企事业单位或者个人减少因停电带来的损失而实行的供电行为。当发生应急抢修事件或业扩新装等业务需求时，物资需求非常的紧迫，而且需求的种类和数量庞大，不可能随购随用。为确保电力物资储备能够满足业扩新装、应急抢修、日常抢修等多项工作同时开展的需要，有必要运用多目标优化算法，来对电力物资储备进行进一步的优化。
二、多目标优化问题
在实际工作中，对一个方案的好与壞的界定很难通过一个事例或指标既能就对其定类，唯有对对多个指标采取科学的比较方法后，在一般情况下，这些指标是不甚协调甚至可以说是矛盾的，因此在现有给定条件下同时要求多个目标皆尽可能的好，多目标优化问题即为之订立一个可行的方案。通常在对新产品进行设计的过程中，设计者不仅要将产品设计具备有优质的性能，且需要考虑将成本控制至最低，将利益最大化，通常上述设计目标的改善会相互抵触，例如好的维修性会降低可靠性。各种实际问题中大量存在着多目标优化问题在，因此多目标优化比单目标优化相比更为重要.对多目标优化问题寻求单一最优解是一种不实际的办法，通常多目标优化是产生一组可选的折衷解，首先进行决策，从而在可选解集中做出最佳选择。多目标优化问题具有多个目标函数，各个目标涉及相同的一组决策变量，并相互制约，对其中一个目标进行优化时，必须同时以其它目标作为代价，因此很难客观地评价多目标问题解的优劣。一般情况下，多目标优化问题不存在唯一的全局最优解，所以实际上的多目标优化是如何寻求 Pareto解集的过程，而Pareto解集中的元素就所有目标而言是彼此不可比较的，因此不能简单地把多个目标归并为单目标求解。一个理想的多目标优化问题的解决过程可以描述成如图1所示，该过程以最小化为例，其中stepl是寻找折衷解的过程，step2是决策过程，higher-level information 通常是由待解决问题的要求或者决策者的偏好提供的，这些信息将帮助决策者从折衷解集中最后确定一个解。
因为过去使用的算法皆是先对多目标问题采取分析处理的方法，通过处理将多目标问题分解成单目标问题，然后再通过单目标优化算法进行求解。以往所使用的传统的多目标算法的缺点是一次优化求解只能求出一个解，随着科学技术的不断提高及优化研究的深入，现如今在进行研究的过程中在优化问题时呈现出许多复杂度非常高，这些问题又携带着各种各样的因素，因此很难对优化问题的模型进行描述，所以导致了自变量维数的过多，从而促使科研人员计算量的大幅度增加。随着计算机技术的成熟，生命科学与工程科学相互交叉渗透和影响，为人工智能的发展提供了理论基础。进化计算主要是通过对生物进化过程与机制进行模拟从而解答问题，进化计算不仅为解决复杂的多目标优化问题提供了高效的计算方法，且提供了新的思路，在现如今社会受到了十分高关注度。这些年来所出现的人工神经网络、模糊逻辑以及进化计算即为模拟生物个体的某些特征而发展而来的智能算法。因为进化计算技术采用基于种群的方式组织搜索，这些算法具有高度并行性。由于上述方法通过模拟生物的进化过程或社会行为使待处理问题能够得到十分妥当的解决，所以进化计算适合于求解多目标优化问题。
群体智能是进化计算的一个研究方向，其主要是通过将社会性动物的群体行为和人工生命理论作为基础，研究不同种类群体行为的内在原理，并以这些原理为基础设计出新的问题求解方法。粒子群算法（particle swarm optimization， PS0） 已在很多优化问题上得到成功应用。在进行PSO算法时，其收敛速度快，算法简单控制参数少，并且不需要被优化函数具有可微、可导、连续等性质，综上所述，由于其具有上述优点，因此PSO算法将更普及地被使用于多目标优化问题求解上。根据方法论对PSO算法进行分析，PSO源于人工生命理论以及鸟类和鱼类的群体行为。同其它进化算法一样，PSO算法也以随机初始化种群为初始迭代点，选取已定义好的适应度准则来对系统进行评价，且依据适应度开展随机搜索。 三、PSO算法及改进
（一）PSO算法原理
作为一种基于种群操作的优化技术，PSO算法将群体中的每个个体看作D维搜索空中一个没有体积和重量的粒子，即代表一个可能的候选解，粒子在搜索空间中以一定的速度飞行，其飞行所经历过的最好位置就是该粒子本身所找到的最好解，粒子的飞行速度由该粒子的飞行经验和群体的飞行经验进行动态调整，逐代搜索最后得到最优解。
改进方法包含以下两种：惯性权值PSO算法和具有压缩因子的PSO算法。惯性权值PSO算法的w值能够随迭代数进行动态调整，其可以获得比固定值更好的搜索效果。因此惯性权值PSO算法能够以相对较少的迭代次数找到最优解，提高算法效率。具有压缩因子的PSO算法对一些函数可以达到比较好的收敛速度。
四、物资保障及调配多目标PSO优化
（一）多目标PSO优化算法
在单目标优化问题中，最优解通常是唯一确定的。但是在多目标优化问题中，由于目标函数之间的特性，因此函数没有有唯一确定的解，通常多目标优化问题的最优解是一个折衷解的集合，即具有多个Pareto最优解的集合。PSO算法在单目标优化问题中的成功应用说明PSO算法的有效性，但不能直接将PSO算法用于多目标优化问题。多目标粒子群优化（multiobjective particle swarm optimization， MOPSO） 算法与求解单目标PSO算法相比，其区别就是如何确定全局最优解，即为上述公式中的 Pgd。通过对PSO算法的介绍中可以得知，粒子主要依靠个体信息和社会信息的共享对搜索空间中位置和速度进行动态调整，但是由于目标个数会不断地增加，从而导致了非劣解的数量也大量增加，因此需要在众多非劣解中确定Pgd 成为多目标粒子群优化算法实现的关键，通常采用基于密度测量的方法来确定全局最优解。基于Pareto 方法的多目标粒子群算法是目前研究多目标粒子群的主流算法，该方法的核心是利用Pareto支配的概念选择最优个体。电力物资保障及调配采用的算法流程如下：
電力物资保障及调配多目标优化方案，主要基于电力物资储配多目标PSO优化算法产生，其输入数据来源于电力物资储备历史数据、需求类别、灾害类别、应急程度和业扩新装、应急抢修、日常抢修工作需要的物资需求清单。其输出方案可提高电力物资供应保障能力，确保电力生产的安全可靠。
五、结语
本文基于电力物资储备现状，在保证物资保障有效度水平下，针对供电企业开展业扩新装、应急抢修、日常抢修工作的物资需求，结合供电企业电力物资储备历史数据、需求类别、灾害类别和应急程度等信息，通过多目标PSO优化算法，生成电力物资保障及调配多目标优化方案，以确保供电企业日常生产活动的物资保障，并确保发生突发事件时，应急抢修的物资保障。该方案将减少物资储备的资金占用，合理分配储备库存，提高电力物资供应保障能力，确保电力生产的安全可靠。
参考文献：
[1]吴萍，陈文斌，张延奇.电网物资管理标准化建设项目评价研究.低碳世界，2016（28）
[2]王之发.电力企业应急物资管理的研究.物流工程与管理，2012（8）.
[3]王宇嘉.多目标粒子群优化算法的全局搜索策略研究.上海交通大学，2008.
[4]刘利民，王敏杰.我国应急物资储备优化问题初探.物流科技， 2009（2）